一、工作流程
1、加载数据，产生训练集与测试集（验证集）
首先加载样本，其中样本的输入叫做：特征（变量），其输出值叫做：理想值，将样本分为训练样本（学习所用）和测试样本（效果测试仿真所用）
需要注意的是样本矩阵的列代表的是样本的个数，行代表每个样本的数据
代码如下：
load spectra_data.mat
%% 随机产生训练集测试集序列
temp = randperm(size(attributes,2));
%产生训练集样本
P_train = attributes(:,temp(1:80));%选取前80个作为训练集样本
T_train = strength(:,temp(1:80));
%产生测试集样本
P_test = attributes(:,temp(81:end));%将80之后的样本作为测试集样本
T_test = strength(:,temp(81:end));
%保存测试集的样本个数
N = size(P_test,2);
2、数据归一化处理
由于输入数据的单位不一样，所以有些数据的范围可能比较大，导致的结果可能是神经网络收敛慢、训练时间长
代码如下：
%% 数据归一化处理
%训练集归一化
[p_train,ps_input] = mapminmax(P_train,0,1);
[t_train,ps_output] = mapminmax(T_train,0,1);
%测试集输入数据归一化
p_test = mapminmax(‘apply‘,P_test,ps_input); %将训练集的归一化的“标准”应用在测试集的归一化上
3、神经网络的创建、神经网络的参数调整、神经网络的训练、神经网络的仿真、仿真结果的反归一化
代码如下：
%% BP神经网络创建、训练及仿真测试
%创建网络
net = newff(p_train,t_train,9);%创建一个具有9个神经元的bp神经网络
%设置训练参数
net.trainParam.epochs = 1000;%最多循环次数为1000次
net.trainParam.goal = 1e-3;%目标误差小于。。。
net.trainParam.lr = 0.01;%学习率设定为0.01
%训练网络
net = train(net,p_train,t_train);
%仿真测试
t_sim = sim(net,p_test);
%数据反归一化
T_sim = mapminmax(‘reverse‘,t_sim,ps_output);
4、神经网络的性能评价（相对误差计算、决定系数计算）
代码如下：
%% 性能评价
%相对误差
error = abs(T_sim - T_test)./T_test;
%决定系数
R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2));
5、结果对比、绘图处理
代码如下：
%% 结果对比
result = [T_test‘ T_sim‘ error‘]
%% 绘图
figure
plot(1:N,T_test,‘b:*‘,1:N,T_sim,‘r-o‘)
legend(‘标签‘,‘标签‘)
xlabel(‘标签‘)
ylabel(‘标签‘)
string = {‘标题‘};
title(string)